3. ResultsAll following performance

3. Results
All following performance indexes were calculated from
the validation data sets. Table 3 highlights the average prediction
ability of the different estimators tested (FFANN
and RANN). The calculated errors, RMSE and MAE,
are the average values after applying the 10 calibrated
models of each estimator to both validation data sets. This
table shows that pre-processing improved accuracy of the
soft-sensors by more than 30% in both industrial and
lab-scale distillations. On average FFANN performed
better than RANN when pre-processing is applied.
Table 4 shows the soft-sensor performances of the models
that achieved the smallest RMSE for the validation data
sets, while Figs. 1 and 2 compare model predictions with
their respective measurements. In lab scale distillations,
as data refer to automatic control tuning experiments, the
variability in concentration was larger than routinely
observed under normal operation, especially in run 1
(Fig. 1a). The soft-sensors were highly accurate and,

ผลลัพธ์ (ไทย) 1:

3. ผลลัพธ์ดัชนีประสิทธิภาพการทำงานทั้งหมดต่อไปนี้คำนวณได้จากตั้งค่าข้อมูลการตรวจสอบ ตาราง 3 สรุปภาพการคาดเดาเฉลี่ยความสามารถของ estimators ต่าง ๆ ทดสอบ (FFANNก RANN) การคำนวณข้อผิดพลาด RMSE และแม่มีค่าเฉลี่ยหลังจากการใช้ 10 ปรับเทียบรุ่นละประมาณการทั้งสองชุดข้อมูลตรวจสอบ นี้ตารางแสดงความถูกต้องที่ดีก่อนการประมวลผลของการอ่อนเซ็นเซอร์มากกว่า 30% ในอุตสาหกรรมทั้งสอง และห้องปฏิบัติการขนาด distillations FFANN ดำเนินการโดยเฉลี่ยดีกว่า RANN เมื่อมีใช้การประมวลผลล่วงหน้าตาราง 4 แสดงแสดงเซ็นเซอร์อ่อนของแบบจำลองที่สำเร็จ RMSE ที่เล็กที่สุดสำหรับการตรวจสอบข้อมูลตั้งค่า ในขณะที่ Figs. 1 และ 2 เปรียบเทียบแบบจำลองการคาดคะเนกับการวัดนั้น ๆ ในห้องปฏิบัติการขนาด distillationsเป็นข้อมูลอ้างอิงการควบคุมอัตโนมัติปรับการทดลอง การความแปรผันในความเข้มข้นมีขนาดใหญ่กว่าเป็นประจำสังเกตภายใต้การดำเนินงานปกติ โดยเฉพาะอย่างยิ่งในงาน 1(Fig. 1a) อ่อนเซนเซอร์มีความถูกต้องสูง และ

ผลลัพธ์ (ไทย) 2:

3. ผล
ทั้งหมดดัชนีประสิทธิภาพการทำงานที่ต่อไปนี้จะถูกคำนวณจาก
ชุดการตรวจสอบข้อมูล ตารางที่ 3 ไฮไลท์การคาดการณ์เฉลี่ย
ของความสามารถที่แตกต่างกันประมาณทดสอบ (FFANN
และ Rann) ข้อผิดพลาดในการคำนวณ RMSE และแม่
มีค่าเฉลี่ยหลังจากใช้ 10 การสอบเทียบ
แบบของประมาณการทั้งแต่ละชุดการตรวจสอบข้อมูล นี้
ตารางแสดงให้เห็นว่าการประมวลผลก่อนการปรับปรุงความถูกต้องของ
เซ็นเซอร์นุ่มโดยกว่า 30% ทั้งในภาคอุตสาหกรรมและการ
กลั่นในระดับห้องปฏิบัติการ โดยเฉลี่ย FFANN ดำเนินการ
ดีกว่า Rann เมื่อก่อนการประมวลผลถูกนำไปใช้.
ตารางที่ 4 แสดงให้เห็นถึงการแสดงนุ่มเซ็นเซอร์ของรูปแบบ
ที่ประสบความสำเร็จ RMSE ที่เล็กที่สุดสำหรับการตรวจสอบข้อมูล
ชุดขณะมะเดื่อ 1 และ 2 เปรียบเทียบการคาดการณ์รุ่นที่มี
การวัดของตน กลั่นในระดับห้องปฏิบัติการ,
เป็นข้อมูลหมายถึงการควบคุมการทดลองปรับแต่งอัตโนมัติ
แปรปรวนในความเข้มข้นที่มีขนาดใหญ่กว่าเป็นประจำ
สังเกตภายใต้การดำเนินงานปกติโดยเฉพาะอย่างยิ่งในระยะ 1
(รูป. 1a) เซ็นเซอร์นุ่มมีความถูกต้องสูงและ

ผลลัพธ์ (ไทย) 3:

3 . ผลลัพธ์งานคำนวณดัชนีทั้งหมดต่อไปนี้

จากความถูกต้องของข้อมูลชุด ตารางที่ 3 เน้นความสามารถในการทำนาย
เฉลี่ยของประมาณที่แตกต่างกันการทดสอบ ( ffann
แล้วแรน ) ค่าความคลาดเคลื่อน RMSE , และ เม
เป็นค่าเฉลี่ยหลังจากการปรับรุ่นของแต่ละตัวประมาณ 10
เพื่อความถูกต้องของข้อมูลทั้งสองชุด นี้
ตารางแสดงการประมวลผลการปรับปรุงความถูกต้องของ
เซ็นเซอร์นุ่มกว่า 30 % ทั้งในโรงงานอุตสาหกรรมและห้องแล็บขนาดกลั่น
. ในการ ffann เฉลี่ย
ดีกว่าแรนเมื่อการประมวลผลที่ใช้ .
ตารางที่ 4 แสดงอ่อนการแสดงเซนเซอร์ของรุ่นที่ประสบความสำเร็จวิธีที่เล็กที่สุด

ชุดสำหรับการตรวจสอบข้อมูล ขณะที่ลูกมะเดื่อ . 1 และ 2 เปรียบเทียบคำทำนายแบบ
แต่ละวัด ในแล็บมาตราส่วนกลั่น
เป็นข้อมูลอ้างอิง , การปรับแต่งอัตโนมัติควบคุมการทดลอง ซึ่งความเข้มข้นมากกว่า

สังเกตเป็นประจำ ภายใต้การใช้งานปกติ โดยเฉพาะอย่างยิ่งในวิ่ง 1
( รูปที่ 1A ) เซ็นเซอร์นุ่มมีความแม่นยำสูงและ